Transformador de Visão Explicável
O Explainable Vision Transformer (Explainable ViT) combina o forte desempenho em reconhecimento de imagens dos Vision Transformers (ViT) com técnicas de atribuição — como propagação de relevância, atenção rollout ou atenção ponderada por gradiente — que destacam quais regiões da imagem impulsionam cada predição. A abordagem permite que pesquisadores e praticantes auditem as decisões do modelo e satisfaçam requisitos de transparência sem sacrificar a precisão.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Chefer, H., Gur, S., & Wolf, L. (2021). Transformer interpretability beyond attention visualization. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 782–791. DOI: 10.1109/CVPR46437.2021.00084 ↗
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., … Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. In International Conference on Learning Representations (ICLR). link ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Vision Transformer (XViT / ViT with Post-hoc Attribution). ScholarGate. https://scholargate.app/pt/deep-learning/explainable-vision-transformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Classificação de ImagensAprendizado profundo↔ compare
- Multimodal Vision TransformerAprendizado profundo↔ compare
- Vision Transformer AutossupervisionadoAprendizado profundo↔ compare
- Segmentação semânticaAprendizado profundo↔ compare
- Vision TransformerAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →